未知非平稳性下的时序解耦表示学习

在具有时延潜在因果影响的时序数据无监督因果表示学习中，已有研究利用时间结构，在平稳设定下建立了因果相关潜变量解耦的强可辨识性结果。然而，在非平稳设定下，现有工作仅部分解决了该问题：要么利用观测到的辅助变量（如类别标签和/或域索引）作为侧信息，要么假设简化的潜在因果动态。这两种方式都将方法限制于有限场景。本研究进一步探讨了非平稳设定下时延因果相关过程中的马尔可夫假设，并证明在温和条件下，无需观测辅助变量，即可从非线性混合中恢复独立的潜在分量（至多置换与分量级变换）。随后，我们提出NCTRL，一种原则性估计框架，仅从观测时序数据中重建时延潜在因果变量并辨识其关系。实证评估表明，该方法能可靠地辨识时延潜在因果影响，且显著优于未能充分利用非平稳性因而无法区分分布偏移的现有基线。